机器学习的模型离不开训练数据。对训练数据契合度越好的模型，不一定是越是好模型，反而很可能是更差的模型。模型好坏的评价标准，来自于预测效果的好坏，如果不能对未知做有效的预测，就不是一个好模型。
对训练数据契合度很好，对测试数据表现却比较差，说明泛化能力差。这种模型称之为“过拟合”。“过拟合”的模型，往往就是模型太复杂，参数太多，这类模型，算法也必然复杂。过于复杂的模型和算法，浪费了资源，属于“得不偿失”。
那么模型是不是就是越简单越好了呢？也并不是。
过于简单的模型，也无法应对测试数据，不能用来做预测分析之用，我们称之为“欠拟合”。“欠拟合”的模型可能是训练数据太少，缺乏代表性，数据的特征没有反映出来。
所以，模型不是越复杂越好，也不是越简单越好，只要恰当反应数据的特征即可。因需要充分考虑训练数据的代表性。这也说明了训练数据筛选的重要性。
|
聚享站 | 培训学校管理系统 | 惊觉社区 | 杭州同城分类信息 | |
 这视界浙ICP备17017888号 |
